論文の概要: Pretrained Approximators for Low-Thrust Trajectory Cost and Reachability

• arxiv url: http://arxiv.org/abs/2605.26790v2
• Date: Wed, 27 May 2026 06:35:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.156496
• Title: Pretrained Approximators for Low-Thrust Trajectory Cost and Reachability
• Title（参考訳）: 低推力軌道コストと到達性のためのプレトレーニング近似器
• Authors: Zhong Zhang, Giacomo Acciarini, Dario Izzo, Hexi Baoyin, Francesco Topputo,
• Abstract要約: 低推力軌道設計は燃料消費と輸送能力の繰り返し評価に大きく依存している。 本研究では、これらの量を機械学習サロゲートによって正確に近似し、高速でスケーラブルな評価を可能にすることを示す。 提案モデルでは, 単変速機および多変速機の最適燃料消費と最小移動時間を正確に予測する。
• 参考スコア（独自算出の注目度）: 5.344101367376109
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low-thrust trajectory design relies heavily on repeated evaluations of fuel consumption and transfer feasibility, which require expensive optimal control solutions. In this work, we show these quantities can be accurately approximated by machine learning surrogates, enabling fast and scalable evaluation across a wide range of scenarios. By increasing both dataset size and model capacity, we observe that low-thrust trajectory optimization follows a scaling law, with performance improving linearly with the logarithm of training data and network parameters, and no evidence of saturation within the explored regime. Guided by this observation, we construct a large-scale dataset using the proposed homotopy-ray strategy tailored to mission design requirements. A key is the introduction of a self-similar transformation, which allows generalization across semi-major axes, inclinations, and central bodies avoiding retraining. As a result, the same neural approximator can be applied to diverse orbital environments and mission classes. The proposed models accurately predict optimal fuel consumption and minimum transfer time for single- and multi-revolution transfers. Their performance and generalization are demonstrated on a public dataset, a multi-asteroid flyby problem from the Global Trajectory Optimization Competition, and an asteroid rendezvous mission design. The models and datasets are released as open-source to support the space community.
• Abstract（参考訳）: 低推力軌道設計は、高価な最適制御ソリューションを必要とする燃料消費と輸送能力の繰り返しの評価に大きく依存している。 本研究では、これらの量を機械学習サロゲートによって正確に近似できることを示し、幅広いシナリオで高速でスケーラブルな評価を可能にする。 データセットのサイズとモデルキャパシティを増大させることにより、低推力軌道最適化はスケーリング法則に従い、トレーニングデータとネットワークパラメータの対数で線形に改善され、探索された体制内で飽和の証拠は得られない。 本研究は,ミッション設計の要件に合わせて,提案したホモトピー線戦略を用いて大規模データセットを構築した。 鍵となるのは自己相似変換の導入であり、これは半大軸、傾き、中心体に再トレーニングを避ける一般化を可能にする。 結果として、同じ神経近似器を様々な軌道環境やミッションクラスに適用することができる。 提案モデルでは, 単変速機および多変速機の最適燃料消費と最小移動時間を正確に予測する。 それらの性能と一般化は、公開データセット、グローバル軌道最適化コンペティションによる多小惑星フライバイ問題、小惑星ランデブーミッション設計で実証されている。 モデルとデータセットは、スペースコミュニティをサポートするためにオープンソースとしてリリースされている。

関連論文リスト

• Learning-Accelerated Optimization-based Trajectory Planning for Cooperative Aerial-Ground Handover Missions [1.3299507495084417]
  本稿では,無人航空機(UAV)と無人地上航空機(UGV)のハンドオーバミッションのための学習用軌道計画フレームワークを提案する。 本稿では,デカップリング型エンコーダ・デコーダ長短期メモリ(LSTM)ネットワークを用いたニューラルサロゲートプランナを提案する。 ベンチマーク評価は、学習強化計画フレームワークが3倍以上のスピードアップと100%の最適化成功率を達成することを示した。
  論文  参考訳（メタデータ） (2026-05-19T09:07:59Z)
• Are All Data Necessary? Efficient Data Pruning for Large-scale Autonomous Driving Dataset via Trajectory Entropy Maximization [14.334231059033442]
  本稿では,モデルの性能を損なうことなく,トレーニングデータ量を削減できる情報理論データ解析手法を提案する。 提案手法は,運転データの軌跡分布情報エントロピーを評価し,モデルに依存しない方法で,元のデータセットの統計特性を保存する高値サンプルを反復的に選択する。
  論文  参考訳（メタデータ） (2025-12-22T11:07:18Z)
• Neural Approximators for Low-Thrust Trajectory Transfer Cost and Reachability [1.9020115730627583]
  本稿では,低推力軌跡計測のための汎用事前学習ニューラルネットワークを提案する。 データは自己相似空間に変換され、ニューラルネットワークは任意の半大軸、傾斜、中心体に適応する。 得られたニューラルネットワークは、速度増加を予測する相対誤差が0.78%、最小転送時間推定が0.63%に達する。
  論文  参考訳（メタデータ） (2025-08-04T21:25:46Z)
• Generalizable Spacecraft Trajectory Generation via Multimodal Learning with Transformers [14.176630393074149]
  本稿では,様々な問題構成にまたがって一般化する新しいトラジェクトリ生成フレームワークを提案する。 我々は、データソースから学習できる高容量トランスフォーマーニューラルネットワークを活用している。 このフレームワークはフリーフライアプラットフォームでのシミュレーションと実験を通じて検証されている。
  論文  参考訳（メタデータ） (2024-10-15T15:55:42Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。 既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。 本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
  論文  参考訳（メタデータ） (2022-11-01T14:38:18Z)
• Real-Time Optimal Guidance and Control for Interplanetary Transfers Using Deep Networks [10.191757341020216]
  最適な例の模倣学習は、ネットワークトレーニングパラダイムとして使用される。 G&CNETは、宇宙船の最適誘導制御システムの実装をオンボードでリアルタイムに行うのに適している。
  論文  参考訳（メタデータ） (2020-02-20T23:37:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。